来源/伍强智能科技（ID：Vstrong-2014）

作者/尹军琪

数据分析对物流系统设计的影响是决定性的。一方面，设计需要从历史数据中寻找一些特征，如订单结构，订单分布形态，库存结构，SKU分布，货物的ABC特征等，以便能够对未来的设计指标有一个准确的评估；另一方面，从历史数据中发现一些问题，以便在未来加以改进，如库存周期，长尾产品分布，订单拆零的影响等，这是更积极和具有创新思维的方面。评价一项物流设计的优劣，最简单的方法是设计对历史问题，尤其是关键问题、痛点问题改善了多少，从而使物流效率得以提升，作业更加简练准确。

不同行业的物流系统，其关键差异主要表现在于库存结构和拣选订单的形态，这也是数据分析的关键所在。当然，行业不同，特性各异，也会表现在物流的其它环节，如收货和退货环节，但这些相对比较简单一些。尽管有些情况下也很繁琐，如图书和服装的退货，但大多数是比较简单的。因此有必要将讨论的重点放在库存和拣配这两个方面。

我常常对同事们讲，数据分析的诀窍在于变通，在于抓住本质，不要为眼花缭乱的数据所迷惑。我还形象的强调，数据分析的精髓就在于“假数真算”，大家刚听到这里时，都表现得一脸茫然，以为我在开玩笑，但其实，我是非常认真的，甚至要用一篇文章来论述。

“假数真算”的第一个意思是要从纷繁复杂的历史数据中发现什么是本质，什么是谬误和失真。我们面对的历史数据，很多情况下并不是客观的反应，而是一种假象。比如订单下发时间，执行时间等，不仅存在记录错误的问题，更有可能是人为修改的。这并不奇怪，因为很多时候存在数据丢失，需要补充，这时就有可能发生问题，比如将多天的数据合并到一天，比如关键数据在登录时发生遗漏，或操作失误等等，都有可能发生错误。在对历史数据进行分析时，我们往往会发现很多怪现象，如果不了解这些现象背后发生的原因，就只能将错就错，就会导致错上加错。数据分析的真正难点在于对历史数据的梳理和筛选，使其能够尽可能的还原真相，这是一项需要做详细、具体、细致的分析才能完成甄别的工作。

有些数据的假，表现在数据残缺上面。比如箱子的尺寸，这就是一项最容易残缺的数据项，几乎所有的历史数据都存在这个问题。这些残缺的数据项，可能会给分析结果带来影响，有时这种影响还是非常惊人的。我们在调研中看到的，都是处于局部的现象，很容易失真。要对残缺的数据项进行修补，不仅工作量巨大，有时甚至是不可能完成的任务。这时，我们就必须面对现实，要从其它的数据项中找到规律，找到相关性，以便对其进行修正。所谓“真算”就是要在“假”的数据基础上，“算出”一个基本符合事实的结果来。对很多人来说，这是比较困难的。这也是数据分析的困难和奥妙所在。

分析历史数据是如此，对未来的预测也是如此。有些客户会准确的提出自己对于未来的看法，有些则不行。一个不争的事实是，在大多数情况下，人们对未来的预测都是不准确的，有些甚至存在重大偏差。所有的预测都是在一个假设的前提下得到的，因此也注定是不准确的。有人会问，既然如此，那还有意义吗？

当然是有意义的。很多客户往往是凭感觉和感性提出对未来的设计目标。这不是他们的错。因为他们往往缺乏专业的知识，只是凭借自身过去的偶然成功的经验，以及对未来的憧憬，提出了一个奋斗目标。有时甚至是想到哪里说到哪里，至于目标科学性和合理性，他们是不会太在意的。实际上，一个企业的发展，开始的时候会快一些，因为规模小，市场机会多，加上精力充沛，思维集中，所以每年有30%甚至更高的增长，但这样的增长是不可持续的。其根本原因，一是在于市场需求限制，二是自身的资源限制。但往往看到的是，企业家对过往的高增长充满自信，然后提出了一些不合时宜的设计目标。

面对这种情况，有必要在数据处理过程中对其进行修正。如增长系数，价格系数，有效作业时间，以及其它的一些系数，使其回归到合理的范畴。未来虽然未知和充满不确定性，但预测仍然具有意义。数据分析的意义就在于，通过建立数学模型和对历史数据的分析，提出相对合理的设计指标。在物流系统中，有些数据是基础的和变化缓慢的，如订单结构，包装量，库存ABC分布等，有些却是不断变化的，如产品形式、批号、业务型式等。通过对总量控制和对竞争形态的描述，大致可以得到设计纲领是否合理，如一个医药公司提出的未来业务指标，对历史数据的分析可以看出的上限是多少，肯定不是无限的。

数据分析不仅会研究设计的宏观指标是否合理，还要保证各专业的匹配。对于增长很小的项目，设计指标要适当放大一点，使其能确保顺利完成外，还可以应对一定的不确定性；而对于增长较快的项目，设计指标往往要进行严格控制，避免造成重大浪费。这也是“假数真算”的一种典型情况。在这种情况下，数据分析不仅仅是顾问单位一方的事，更是双方的事，即包括用户单位。很多用户单位在执行总裁或董事长命令的时候，一般不敢提出异议，大多数情况反而是层层加码，使得原本不合理的设计目标进一步被放大，完全与实际相违背，这与其说是缺乏专业知识，更可能的是一种懒惰和不负责任。项目的执行者要运用专业知识，科学合理的理解总裁的意见，对于不合理的部分，如果不能直接指出，也要认真的采取措施，使其回归合理。当然，每个人都要警惕自以为是的情形，要避免出现错误判断的风险。

“真算”要求的是算法的专业性、科学性和逻辑的严谨性。“真算”不是装模做样的算，更不是假算，而是要认真的算，科学的算。通过严谨的计算，发现问题和真理。如果没有真算的严谨性，可能所有的分析都是存在风险的。在大跃进的年代，亩产万斤甚至十万斤的笑话居然能够使世人相信，其实背后就存在没有进行“真算”的问题，连常识都没有。当下的网络造假也常常会出现同样违背常识的问题，需要全社会引起警惕。

每个项目面对的问题是不同的，数据分析的重点也是不同的。比如我们面对象京东这样的客户，其每天数据量通常都非常大，这时候对订单的分析，其重点就可能不仅要分析订单的总量，如每天，每月，每年的订单分布，而且要对其每个小时的分布进行分析，发现其高峰时段和低谷时段，这些数据对设计的指导是非常有用的。又比如，在对发货订单进行ABC分析时，如何确定ABC的分布问题，就要求对一个时段（通常是1天或几天）的每个SKU的拣选量、拆零量进行分析，从而提出对未来设计的指导意见。采用什么技术，采用什么流程，以及如何设计补货和拣选策略等。

总之，设计不能是盲目的，而是与数据互相关联的，以数据驱动设计。数据分析是为设计服务的，因此，在进行数据分析时，要与设计人员进行互动，了解设计人员的需求和困惑所在，进而为其提供依据。有时，设计人员也会从数据分析中寻找灵感，找到合理的解决方案。双方的这种互动，可以大幅度提升设计的质量。

很多真相都隐藏在数据里面，需要深入挖掘才能被发现。比如，我们很困惑采用什么策略补货才是合理的，就要从具体的数据中寻找答案。一般情况下，补货的次数和及时性是非常重要的两个指标，补货次数越多，补货的工作量就越大，及时性也无法保障，因此要求尽可能减少补货次数，但拣选面太多时，每个SKU的储存量又不可能太多，这是一对矛盾。通过数据分析可以准确地回答这一问题。通过对一段时间的分析（通常是一个月或一周），可以得出每个SKU的拣选量，有的会非常大，以托盘计；有的长尾品种会很小，这时，可以考虑托盘，箱（包括多箱）的存储策略，使得在空间允许的情况下，尽可能减少补货次数。另一个例子是拆零拣选，当采用“货到人”拣选技术的时候，订单行成为一个重要参数，它基本决定了设备的技术参数，包括穿梭车、KIVA、输送机、提升机、拣选站台等。这些设计，如果没有数据支持，是不可能完成的。

数据分析有成熟的工具和方法，但每一个项目所要分析的内容和重点是不同的，因此，也就没有所谓的常法存在。这是需要灵活掌握的。当然，需要强调的是，对历史数据的分析，并非是为了照抄过去的一切，而是通过分析，一方面是找出一些规律和特征值；另一方面是发现一些问题，从而为未来寻求更加简约高效的解决方案提供参考依据，包括技术、流程、技巧、方法、布局等，这才是数据分析的精髓和价值所在。历史数据的最大价值在于借鉴与分析，但不能直接替代未来的设计目标。有些东西需要保留，但更多的东西需要改革。要通过数据发现未来，而不是复制过去。